CNN学习笔记

摘要：

本文用于记载学习CNN过程的一些心得～～欢迎大家轻拍～～～

1.在CNN中希望保持卷积后的图像与原始图像的大小相同，需要如何进行填补？

假设原图像大小为了N，滤波器尺寸为F,步长为s。
当s为1的时候：
需要进行zero padding的个数P与原始图像大小无关，只与滤波器的大小F有关。
具体表现为：P=(F-1)/2。（这个自己把公式写一下就明白了）
当s不为1的时候，其实是与原始图像大小是有关系的。
padding的目的其实在于保持卷积前后的图像大小保持一致。（否则每次做卷积，图像尺寸都会不断的缩小）

2.在CNN中，假设输入图像尺寸是32*32*3，有10个卷积核，每个卷积核的大小为5*5，请问此卷积层有多少个参数？

每个卷积核有3*5*5+1=76个参数（不要忘记每个卷积核有一个偏置项）
总共10个卷积核，故一共760个参数。

3.1*1的卷积核的作用

1.改变维度。
2.对上一层的feature map的线性叠加。

4.池化层的作用：

池化层的作用是为了做下采样，减少后面参数的学习。